<style> .reveal section img { background:none; border:none; box-shadow:none; } </style> ---  ## Formation Gargantext ---  Since 2013 ...  --- <!-- .slide: style="font-size: 35px;" --> __Avec les superbes contributions de :__ Quentin Lobbe, Nicolas Pouillard, Przemek Kaminski, Alp Mestanogullari, arturo, Karen Konou, Abinaya Sudhir, Sudhir Kumar, James Laver, Justin Woo, Peter Corlett, Mael Nicolas, Guillaume Chérel, ... --- #### Qu'est-ce qui a fait le succès de l'espèce humaine ? ---  Explication pour les enfants --- Explication pour les adultes : Langage $\rightarrow$ Écriture $\rightarrow$ Imprimerie $\rightarrow$ Numérique --- ### Ubiquité de l'écriture numérique  Point commun: "lorem ipsum dolor sit amet ..." --- <!-- .slide: style="font-size: 24px;" --> #### Extraction (collective) de la connaissance issues des masses de données textuelles : les besoins * Accès aux données * Technologies de fouille de données textuelles * Interfaces : visualisations & consultations * Cumulativité * (Espaces de collaboration) * (Intégration inter-subjective de connaissances) --- Gargantext permet d’analyser de larges ensembles de corpus textuels afin de permettre la co-construction d’une représentation interactive et navigable de leur contenu. --- ### "Philosophie" de la connaissance * __Multi-perspectives :__ différentes vues du même réseau complexe plutôt que LA carte, * __Cognition située :__ Il est important de pouvoir *manipuler* un objet complexe pour s'en faire une idée, * __Multi-échelles :__ à tout moment, l'utilisateur doit pouvoir traverser les niveaux d'organisation : passer du niveau agrégé (les graphes) au niveau micro (les documents/N-grammes) et inversement. --- ### Les données : réseaux multi-partites  --- <!-- .slide: style="font-size: 14px;" --> # Histoire de la cartographie de connaissances  Voir la [phylomémie en ligne](http://maps.gargantext.org/unpublished_maps_phylo/knowledge_visualization/memiescape/) (__Ref. :__ Chavalarias, D., Lobbé, Q., Delanoë, A., 2021. Draw me Science: Multi-level and multi-scale reconstruction of knowledge dynamics with phylomemies. Scientometrics.) --- <!-- .slide: style="font-size: 34px;" --> L’une des principales vues de Gargantext est une carte qui organise des __*mesures objectives*__ de relations entre termes établies __*relativement*__ à des __*corpus*__ et des __*périmètres sémantiques*__ co-construits par le logiciel (text-mining & IA) et les utilisateurs. __Exemples :__ [Convention citoyenne pour le climat](http://maps.gargantext.org/maps/ccc/) ; [Programmes présidentiels 2017](http://maps.gargantext.org/maps/presidentielle2017/) ; [Le vrai débat](http://maps.gargantext.org/maps/levraidebat/) ; [Recherches sur le coronavirus](http://maps.gargantext.org/maps/covid-19/) ; [autres exemples](http://maps.gargantext.org/) --- Ce qui est subjectif : * __Le choix de ce qu'on veut analyser :__ le corpus * __Le choix de la perspective :__ le périmètre sémantique * __Le choix de ce qu'on recherche :__ les métriques --- ## Le corpus * Vous ne pouvez pas extraire de la connaissance de textes auxquels vous n'avez pas accès ... * Si vous mélangez des connaissances extraites de textes pertinents et de textes non pertinents, vous perdez de l'information. --- ## Le périmètre sémantique  Les fréquences des expressions dans les textes suivent en général une loi puissance --- ### Termes très spécifiques  --- ### Termes intermédiaires (CV)  --- ### Termes génériques  --- Une carte informative devra prendre en compte toutes ces échelles d'organisation avec une bonne représentation de termes intermédiaires. --- ### Métriques Que veut-on savoir des relations entre les expressions ? * __Ordre 1 :__ interactions entre termes, fait ressortir les usages communautaires * __Ordre 2 :__ similarité structurelle, fait ressortir les grandes catégories --- ### Workflow [](https://dl.gargantext.org/workflow.svg) ---